tensorflow 张量做卷积，输入量与卷积核维度的理解

import tensorflow as tf


inputValue = tf.constant([
    #1个张量
    [
        #3行3列2深度
        [[2, 5], [3, 3], [8, 2]],
        [[6, 1], [1, 2], [5, 4]],
        [[7, 9], [2, 3], [-1, 3]]
    ]
])

kernels = tf.constant([
    # 2行
    [
        # 2列
        [
            # 2深度
            [3, 1, -3], [1, -1, 7]
        ],
        [
            [-2, 2, -5], [2, 7, 3]
        ]
    ],
    [
        # 2列
        [
            [-1, 3, 1], [-3, -8, 6]
        ],
        [
            [4, 6, 8], [5, 9, -5]
        ]
    ]
])

validResult = tf.nn.conv2d(inputValue, kernels, [1, 1, 1, 1], "VALID")

print(validResult)

红圈内表示每个张量的内容，蓝色圆圈圈出的中括号表示个数这个维度。

蓝色圈出的中括号表示行这个维度

红色表示列这个维度

红圈列里面的两个数字，表示深度是2

tf中，shape这样显示1个3行3列2深度的张量，在cnn训练中，minibatch有多个输入量，就在“1”这个 个数 维度上面增加

卷积核的维度

卷积核的维度(2,2,2,3)，表示3个2行2列2深度的卷积核（行，列，深度，个数）

红色中括号代表行、蓝色代表列、黄色代表深度、深度内的三个数表示个数

validResult = tf.nn.conv2d(inputValue, kernels, [1, 1, 1, 1], "VALID")

“VALID”表示padding模式是valid，[1,1,1,1]表示在个数、行、列、深度这四个维度上的stride分别是1、1、1、1